基于鲁棒强化学习的自动驾驶智能体：面向仿真与真实世界
机器人学
2020-10-08 v1 机器学习
摘要
深度强化学习（DRL）近来已成功用于解决不同挑战，例如复杂的棋盘和电脑游戏。然而，用 DRL 解决真实世界机器人任务似乎是一项更困难的挑战。理想方法是在模拟器中训练智能体并将其迁移到真实世界。但在模拟器中训练的模型由于差异往往在真实环境中表现不佳。本文中，我们提出一种基于 DRL 的算法，能够使用 Deep Q-Networks（DQN）执行自主机器人控制。在我们的方法中，智能体在模拟环境中训练，并能在模拟与真实世界环境中导航。该方法在 Duckietown 环境中评估，其中智能体须基于单目相机输入进行车道跟随。训练后的智能体能在有限硬件资源上运行，其性能可与最先进方法相媲美。
引用
@article{arxiv.2009.11212,
title = {Robust Reinforcement Learning-based Autonomous Driving Agent for Simulation and Real World},
author = {Péter Almási and Róbert Moni and Bálint Gyires-Tóth},
journal= {arXiv preprint arXiv:2009.11212},
year = {2020}
}
备注
\c{opyright} 2020 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works